SemaPop：基于语义角色条件与可控的群体合成

群体合成对于交通规划和社会经济分析中的个体层面模拟至关重要，但由于需要同时捕捉统计依赖关系和高层行为语义，仍然具有挑战性。现有的数据驱动方法主要依赖于无条件生成，限制了其支持场景驱动或目标导向的群体合成能力。本研究提出了 SemaPop，一个基于语义条件且可控的群体合成框架，该框架引入角色表征作为生成的条件信号。通过使用大型语言模型从调查数据中推导角色文本并将其编码为语义嵌入，SemaPop 能够在统计约束下实现可控的群体生成。我们使用基于生成对抗网络的架构并辅以边际正则化来实例化该框架，以保持分布一致性。大量实验表明，SemaPop 显著提升了生成性能，在语义条件下，生成的群体与目标边际分布和联合分布更加吻合，同时保持了样本级别的可行性和多样性。反事实分析进一步表明，语义干预会在生成的群体中引发系统性和可解释的偏移。这些结果凸显了基于角色的语义条件在可控和场景导向的群体合成中的潜力。